Ring iplikçiliğinde lif özelliklerinden pamuk ipliği özelliklerinin tahminlenmesinin araştırılması

Abstract

Bu tezde, ring iplikçiliğinde kullanılan pamuk liflerinin özelliklerinin iplik özelliklerine etkileri araştırılmış ve lif özelliklerinden yararlanılarak iplik özelliklerinin tahminlenmesi için uygun bir model oluşturulmuştur. Bu tez çalışmasında, 13 farklı harmandan, 4 farklı numarada karde pamuk ipliği üretilmiştir. Lif ve iplik özelliklerinin belirlenmesinde ASTM standartları esas alınmıştır. Lif özelliklerinin belirlenmesinde HVI ve AFIS cihazları kullanılırken, iplik özelliklerinin belirlenmesinde Uster Tester 3 ve Uster Tensorapid cihazları kullanılmıştır. Elde edilen sonuçların değerlendirilmesinde, doğrusal çoklu regresyon analizi, doğrusal olmayan çoklu regresyon analizi ve yapay sinir ağları (YSA) metodu kullanılmış ve istatistikî açıdan önemli regresyon modelleri elde edilmiştir. Sonuç olarak, yapay sinir ağları metodu ile oluşturulan modelin, iplik özelliklerinin tahminlenmesinde doğrusal çoklu regresyon analizi ve doğrusal olmayan çoklu regresyon analizine kıyasla daha iyi sonuçlar verdiği tespit edilmiştir.

In this thesis, effects of the fiber properties used in the ring spinning were investigated in terms of their effect on yarn properties and a model was created in order to predict the yarn properties through the use of fiber properties. In this research, 4 different cotton yarns with different counts were obtained by using 13 different carded blends. Fiber and yarn properties were determined according to ASTM standards. While HVI and AFIS devices were used for the determination of fiber properties, Uster Tester 3 and Uster Tensorapid were utilized for the determination of yarn properties. For the evaluation of the results, linear multiple regression analysis, non-linear multiple regression analysis and artificial neural networks methods were used and some regression models, which are of importance in terms of statistics, were obtained. In conclusions, the model obtained by artificial neural network method was determined to give better results when compared with linear multiple regression analysis and non-linear multiple regression analysis.